CN108520076A - 电子书推荐方法、电子设备及计算机存储介质 - Google Patents

Abstract

本发明公开了一种电子书推荐方法、电子设备及计算机存储介质。该方法包括：将质量得分在预设阈值以上的书籍加入到候选书籍集中；依据用户的历史操作行为确定所述用户的阅读兴趣；根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。本发明方案将书籍质量与用户的阅读兴趣相结合为用户推荐书籍，符合用户需求的同时保证了推荐书籍的质量，从而避免了推荐书籍与用户需求的匹配度低，以及推荐书籍的转化率低的问题。

Description

电子书推荐方法、电子设备及计算机存储介质

技术领域

本发明涉及数据处理技术领域，具体涉及一种电子书推荐方法、电子设备及计算机存储介质。

背景技术

随着互联网技术的发展，网络阅读逐渐代替传统的纸质阅读，成为用户首选的阅读方式，为了提高用户的阅读体验，电子设备会主动向用户推荐一些书籍。

现有的电子书推荐方法比较简单，例如随机为用户推荐书籍，或者按照用户的年龄、性别、职业等属性信息进行推荐书籍。因此现有的电子书推荐方法存在推荐书籍与用户需求的匹配度低，推荐书籍的转化率低等缺陷。

发明内容

鉴于上述问题，本发明以便提供一种克服上述问题或者至少部分地解决上述问题的电子书推荐方法、电子设备及计算机存储介质。

根据本发明的一个方面，提供了一种电子书推荐方法，该方法包括：将质量得分在预设阈值以上的书籍加入到候选书籍集中；依据用户的历史操作行为确定所述用户的阅读兴趣；根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

根据本发明的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，处理器、存储器和通信接口通过通信总线完成相互间的通信；存储器用于存放至少一可执行指令，可执行指令使处理器执行以下操作：将质量得分在预设阈值以上的书籍加入到候选书籍集中；依据用户的历史操作行为确定所述用户的阅读兴趣；根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

根据本发明的又一方面，提供了一种计算机存储介质，存储介质中存储有至少一可执行指令，可执行指令使处理器执行以下操作：将质量得分在预设阈值以上的书籍加入到候选书籍集中；依据用户的历史操作行为确定所述用户的阅读兴趣；根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

本发明提供的一种电子书推荐方法、电子设备及计算机存储介质，将书籍的质量与用户的阅读兴趣相结合来确定推荐书籍，使得推荐的书籍符合用户阅读兴趣的同时保证了推荐书籍的质量，从而避免了推荐书籍与用户需求的匹配度低，以及推荐书籍的转化率低的问题。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了本发明实施例一提供的电子书推荐方法的流程图；

图2A示出了本发明实施例二提供的电子书推荐方法的流程图；

图2B示出了本发明实施例二提供的电子书推荐方法中计算书籍质量得分的流程图；

图3A示出了本发明实施例三提供的电子书推荐方法的流程图；

图3B示出了本发明实施例三提供的电子书分类情况示意图；

图4示出了本发明实施例四提供的电子书推荐方法的流程图；

图5示出了根据本发明实施例六提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。

实施例一

图1示出了本发明实施例一提供的电子书推荐方法的流程图，本实施例可适用于向用户推荐电子书的过程，该方法可以由本发明实施例提供的电子设备来执行，该设备可采用硬件和/或软件的方式实现。如图1所示，该方法包括以下步骤：

步骤S101，将质量得分在预设阈值以上的书籍加入到候选书籍集中。

其中，候选书籍集为众多可供推荐的书籍按照质量得分选出的优质书籍组成的集合，而书籍质量得分可以是预先根据用户的阅读情况和/或用户对书籍的评价计算得到的。用来选择候选书籍的预设阈值是预先根据可供推荐的各书籍的得分预先设定的，其大小可根据可供推荐的书籍的更新而变化，例如，当可供推荐的书籍更新后质量得分普遍较高时，可以相应的增加预设阈值。

本步骤中，假设预设阈值为95，则可对书籍侯选池(即用于存储所有可供推荐书籍的数据库)中的每本书籍进行质量评分，选择质量得分高于95的书籍作为候选书籍，加入候选书籍集中。

可选的，由于电子设备提供的电子书有免费的，也有收费的，因此，在选择质量得分高于预设阈值的书籍时可以从免费书籍和/或收费书籍中选取。

步骤S102，依据用户的历史操作行为确定用户的阅读兴趣。

本步骤中，用户的历史操作行为可以包括：用户在客户端设备上阅读、搜索、购买或收藏等操作行为，其可反映用户的阅读兴趣。例如，用户经常阅读、搜索或购买历史类的书籍，说明该用户喜好历史类的书籍。其中，根据用户的历史操作行为确定用户的阅读兴趣的实现方式有很多，本实施例对此不做具体限定。一种可选的方式为：对用户历史操作行为所对应的阅读兴趣类型进行统计，选择用户历史操作行为对应的最高阅读兴趣类型作为该用户的阅读兴趣。例如，用户的历史操作行为有10次，其中8次操作行为都和历史类的书籍有关，2次和经济类的书籍有关，则说明该用户的阅读兴趣为历史类的书籍。

可选的，为了更准确的了解用户阅读兴趣，可以通过多维度细化用户的阅读兴趣，例如可以是确定用户喜好历史类的书籍后，再进一步的判断用户是喜欢哪一时间段的历史书籍、哪一主人公的历史书籍等。

步骤S103，根据阅读兴趣与书籍的匹配度，筛选形成用户的兴趣书籍集。

本步骤中，依据用户的阅读兴趣对所有可供推荐的书籍进行匹配，计算其与各书籍的匹配度。可选的，由于书籍侯选池中可供推荐的书籍数量较多，可以根据用户的阅读兴趣对侯选池中的可推荐书籍进行初步处理后再计算阅读兴趣与书籍的匹配度。例如，若用户阅读兴趣对应的是历史类书籍，可以是先从侯选池中选出历史类的书籍，再根据用户更细维度的阅读兴趣计算与各书籍的匹配度。需要说明的是，计算用户阅读兴趣与书籍匹配度的方法有很多，本实施例对此不做具体限定。一种可选的方式为：根据预先通过海量样本数据训练的神经网络推荐模型来计算匹配度，具体过程可以是，输入用户的阅读兴趣，以及书籍的名称、内容分词和/或兴趣标签，推荐模型即可通过相关计算得到阅读兴趣与该书籍的匹配度。

具体的，计算出阅读兴趣与各可供推荐的书籍的匹配度之后，要根据匹配度从多本可供推荐的书籍中筛选出用户感兴趣的书籍形成该用户的兴趣书籍集。其中，根据阅读兴趣与书籍的匹配度，筛选形成用户的兴趣书籍集方法有很多，例如，可以是将所有可供推荐的书籍按照匹配度从大到小进行排序，选择排序靠前的预设个数(如排序为前200本)的书籍形成该用户的兴趣书籍集；也可以是设置一个匹配度阈值(如匹配度阈值为80％)，选择匹配度高于该阈值的书籍形成该用户的兴趣书籍集。

步骤S104，将同时属于候选书籍集和兴趣书籍集的书籍，确定为用户的推荐书籍。

本步骤中，为了保证向用户推荐的书籍即为用户感兴趣的书籍，且还能保证推荐书籍的质量，可以将同时属于候选书籍集和兴趣书籍集中的书籍作为向用户推荐的书籍。具体的，同时属于候选书籍集和兴趣书籍集的书籍可以是至少一本，也可能存在没有的情况。当同时属于候选书籍集和兴趣书籍集的书籍有一本时，则向用户推荐该本书籍；当同时属于候选书籍集和兴趣书籍集的书籍有至少两本时，可以将至少两本书籍都作为推荐书籍为用户推荐，也可以对至少两本书籍根据质量得分和/或匹配度进行进一步的筛选，从中确定一本推荐书籍为用户推荐；当同时属于候选书籍集和兴趣书籍集的书籍为零时，则可以重新执行步骤S101，降低预设阈值增加候选书籍集中书籍的数量，和/或重新执行步骤S103，增加用户的兴趣书籍集中书籍的数量，从而保证同时属于候选书籍集和兴趣书籍集的书籍不为零，选出推荐书籍为用户推荐。

需要说明的是，本发明实施例提供的电子书推荐方法可以是电子设备主动为用户提供推荐书籍，也可以是响应于用户的推荐需求后向用户提供推荐书籍，例如，可以是响应于用户点击客户端设备中“推荐书籍”组件生成推荐需求后，向用户推荐书籍。

根据本实施例提供的电子书推荐方法，通过将质量得分在预设阈值以上的书籍加入候选书籍集中，选出可供推荐的书籍中的优质书籍，再根据用户的历史操作行为确定用户的阅读兴趣，将阅读兴趣与书籍进行匹配，筛选形成用户的兴趣书籍集，最后从两书籍集中共同的书籍中确定用户的推荐书籍。确定推荐书籍时将书籍的质量与用户的阅读兴趣相结合，使得推荐的书籍符合用户阅读兴趣的同时保证了推荐书籍的质量，从而避免了推荐书籍与用户需求的匹配度低，以及推荐书籍的转化率低的问题。

进一步地，本发明实施例中，客户端设备向用户展示推荐书籍的方式可以是：在用户的书架上展示推荐书籍的图标，且在图标上设置推荐标识。

其中，用户的书架上通常展示的是用户自己添加的书籍(如用户购买或收藏的书籍)的图标，可选的，书籍的图标可以是书籍封面和/或书籍名称，用于区分书架上的不同书籍。本发明实施例向用户推荐的书籍也可以展示在用户的书架上，具体的可以在书架上展示推荐书籍的图标。为了让用户区分书架上的书籍是用户自己添加的还是电子设备推荐的，可以在推荐书籍的图标上设置推荐标识。例如，该推荐标识可以是设置在推荐书籍图标左上角的具有“推荐”字样的标识。在添加推荐书籍图标时，可以默认将其放置在书架第一排的第一个位置，即将推荐书籍放置在用户添加书籍之前。或者也可以将推荐书籍随机设置在用户添加书籍之中的任意位置。或者将推荐书籍放置在所有用户添加书籍之后，即作为书架上最后一本书籍放置。此外还可以设定在用户每次打开书架时调整一次推荐书籍在书架上的位置。这种调整可以是随机的，也可以按照一定的预设规则。以后者为例，可以随着书架界面打开次数的增加，逐步将推荐书籍的位置向后或向前调整，例如每次打开书架时将推荐书籍位置向后或向前调整一个书籍位置。

进一步的，当推荐书籍为多本时，可以将各个推荐书籍分散在用户添加书籍之中，也可以以推荐书籍文件夹的形式将所有推荐书籍整合到一起，并通过设置在书架上的该文件夹图标作为进入推荐书籍菜单的入口，在该菜单中，可以以书架形式展示各本推荐书籍。在用户添加书籍的书架界面中，前述文件夹图标的大小与一般的用户添加书籍图标，或者前述方式中的推荐书籍图标一致，与其他用户添加书籍的图标并列显示在书架上。

进一步地，为了避免电子设备频繁向用户推荐书籍导致用户反感的情况，可以在对用户推荐书籍时增加以下三个维度的过滤条件，以增加用户的阅读体验。

条件一、按照确定的推荐时间间隔，依据用户的阅读兴趣从候选书籍集中为待推广用户选择推荐书籍。

其中，推荐时间间隔可以是依据待推广用户点击预设的推荐频次降低控件的次数，确定待推广用户的推荐时间间隔。可选的，可以是统计预设时间段(如半年内)用户在客户端设备上点击“降低推荐次数”按键的次数来确定推荐时间间隔的大小。具体的，计算规则可以是推荐时间间隔＝T天+预设时间段内用户点击推荐频次降低控件的次数*T。其中，T是根据实际场景预先设置的正整数，例如，T可以设置为7天。可选的，可以为推荐时间间隔设置一个时间间隔阈值，当计算出的推荐时间间隔大于时间间隔阈值时，为了保证推荐书籍的操作正常进行，可以将时间间隔阈值作为推荐时间间隔为用户推荐书籍。可选的，预设时间间隔可以设置为30天。

在一种实现方式中，当用户删除书架上的推荐书籍时，客户端设备弹出对话框，提供至少一个信息收集选项的组件，其中包括有“降低推荐次数”的组件，该组件之意义在于，由用户发起减少书籍推荐的次数/频率，或者提高书籍推荐行为之间的时间间隔。当用户点击一次该控件时，客户端设备进行一次计数加1，并将计数结果应用到上述规则中使用。在完成推荐书籍的删除操作后，客户端设备将推荐书籍的图标从书架中删除。

条件二、从可供推荐的书籍中剔除待推广用户在预设的推广时间长度内的历史推荐书籍、待推广用户有交互行为的书籍和待推广用户书架上的书籍中的至少一种。

其中，预设推广时间长度内的历史推荐书籍即为在一定时间内为用户推荐过的书籍；待推广用户有交互行为的书籍是指用户有过点击书籍详情页、搜索、试读免费章节、购买等行为的书籍；待推广用户书架上的书籍是指用户购买后自动加入到书架以及免费试读后虽然未购买但加入书架的书籍。以上三种书籍都是用户已经看过或将要看的书籍，再为用户推荐这类书籍不但推荐书籍的转化率低，还会造成用户的反感，因此，可以结合具体的使用场景将三种书籍中的至少一种在可供推荐的书籍中剔除，从而增加用户的阅读体验。

条件三、从可供推荐的书籍中剔除推荐之后预设的交互时间长度内无用户交互行为的历史推荐书籍。

其中，虽然电子设备向用户推荐的书籍是符合用户兴趣的高质量书籍，但是仍存在不符合用户需求的情况，针对此类情况，需要找到电子设备将书籍推荐给用户后，用户在预设交互时间(如一个月)内无交互行为(如点击阅读、收藏、购买等行为)的历史推荐书籍，将其从可供推荐的书籍中剔除。

需要说明的是，以上三种过滤条件可以单独使用，也可以组合使用。

实施例二

图2A示出了本发明实施例二提供的电子书推荐方法的流程图。本实施例在上述实施例的基础上进行了进一步的优化，如图2A所示，该方法包括：

步骤S201，依据书籍中各章节的留存率计算书籍的质量得分。

由于本发明方案推荐的电子书不但要满足用户的偏好需求，还要保证推荐书籍的优质性，因此，计算书籍侯选池中各书籍的质量得分至关重要。可以依据书籍中各章节的留存率来计算书籍的质量得分。其中各章节的留存率是指一本书籍当前章留存用户占前一章用户的比例，例如，一本书籍有100章，阅读第一章的人数有1000人，阅读完第一章后，有800人继续阅读第二章，则第二章的留存率为80％，阅读完第二章后有400人继续阅读第三章，则第三章的留存率为50％，依次进行计算，即可得到各章对应的留存率。将各章的留存率求和即可得到该本书的质量得分。需要说明的是，对于一本书籍，留存率通常是从第二章开始计算。

可选的，用户在阅读电子书籍时经常存在以下两种情况：一、跳章节阅读，例如，仅随机点开零星几章阅读，这种情况说明用户的阅读行为并不是连续性的，该阅读数据对书籍用户的留存反映并无正向作用；二、粗略阅读，例如，用户基本每一章都点开看了，但是通过阅读数据的统计发现，大多数章节阅读的时长都很短，说明用户仅粗略阅读并没有仔细看书中的具体内容，这种情况的阅读行为也不能真是反映书籍内容的质量优劣。上述两种情况对应的留存行为对书籍质量评价的贡献就不大。为了保证计算质量得分的准确性，在依据书籍中各章节的留存率计算书籍的质量得分之前，还包括：

若用户阅读书籍的章节数量小于章节数量阈值，或者用户阅读书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将用户的计数从书籍各章节的留存数据中删除。

在本步骤中，章节数量阈值和比例阈值可以是根据章节的总数量结合具体计算规则预先设定的，可选的，可以是为每一本书设置其对应的章节数量阈值和比例阈值，也可以是为每本书籍的不同章节分别设置对应的章节数量阈值和比例阈值。具体的，针对上述第一种用户跳章阅读的情况，根据电子设备后台的日志数据，分析每个用户阅读过的章节数量，将用户的留存计数从书籍各章节的留存数据中删除的判断条件可以通过多种方式来实现，本实施例在此以两种较典型的方式进行说明：

方式一，若用户阅读书籍的章节数量小于章节数量阈值，则将用户的留存计数从书籍各章节的留存数据中删除。例如，一本100章的书籍，阅读第60章的留存用户为200人，但是通过对后台日志数据分析后发现有10名用户属于跳章阅读，其仅阅读了该本书中的10章，章节数10小于预设的章节数量阈值50，则将这10名用户从留存用户数据对应的200人中删除，也就是说此时第60章的留存用户应为190人。

方式二，用户阅读书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将用户的留存计数从书籍各章节的留存数据中删除。例如，一本100章的书籍，阅读第60章的留存用户为200人，但是通过对后台日志数据分析后发现有10名用户属于跳章阅读，其仅阅读了该本书中的10章，阅读该本书的章节数量10占该书籍总章节数量的比值为十分之一小于比例阈值二分之一，则将这10名用户从留存用户数据对应的200人中删除，也就是说此时第60章的留存用户应为190人。

需要说明的是，上述两种判断条件可以单独使用，也可以组合使用。

其中，针对上述第二种用户粗略阅读的情况，本发明实施例中判断用户是否阅读该章的方式有很多，本实施例对此不做具体限定。一种可选的方式为：若用户对任一章节的阅读时间长度小于时间长度阈值，则确定用户未阅读该章节；否则，确定该用户阅读该章节。具体的，时间长度阈值是根据书籍每章的长度以及平均阅读速度预先设置的，每本书籍的每一章都有其对应的时间长度阈值。根据用户阅读该章所用的时间与时间长度阈值进行比较，来判断用户是否真正阅读了该章节，例如，某本书的某一章的预设时间长度阈值为5分钟，而用户不到一分钟就阅读完该章节的内容，说明该用户只是粗略的阅读了该章节，基本上没怎么看其中的内容，因此，属于未阅读该章节。

由于书籍候选池中的可供推荐的书籍可能是由免费章节和收费章节两部分构成的，从用户行为统计数据上看，收费章节的留存率有两个特点：相比免费章节留存率而言，要么比较稳定不会变化太大(即说明书籍质量较好，大多用户在免费阅读后都选择付费继续阅读)，要么留存率急剧下降(即说明书籍质量较差，用户不愿意付费购买)。相比之下，免费章节由于没有收费门槛的限制，其留存率的大小更能够真实反映用户阅读的兴趣，进而反映书籍质量。因此，在计算书籍的质量得分时，可以将免费章节和收费章节区分开来进行计算，并为免费章节和收费章节设置不同的章节系数，通过调整章节系数的大小调节免费章节留存率对书籍质量的贡献权重。具体的，如图2B所示，在本步骤中，依据书籍中各章节的留存率计算书籍的质量得分具体可以包括：

步骤S2011，将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数。

其中，免费章节系数为免费章节数占全书章节数的比值。经过对上述跳章节阅读和粗略阅读用户从留存数据中删除之后，将准确的书籍各章节的留存率数据按照章节是否收费，将免费章节的留存率加总，并与免费章节系数相乘得到免费章节留存参数。例如，一本书有100章，其中，免费章节数为60章，免费章节的留存率总和为A，则免费章节留存参数为A×60％。

步骤S2012，将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数。

其中，收费章节系数为收费章节数占全书章节数的比值。与免费章节留存参数的计算方法类似，在计算收费章节留存参数时，也是将准确的书籍各章节的留存率数据按照章节是否收费，将收费章节的留存率加总，并与收费章节系数相乘得到收费章节留存参数。例如，一本书有100章，其中，收费章节数为40章，收费章节的留存率总和为B，则收费章节留存参数为B×40％。

需要说明的是，步骤S2011和步骤S2012没有先后顺序的限定，可以是同时进行的。

步骤S2013，将免费章节留存参数和收费章节留存参数相加，获得质量得分。

具体的，步骤S2011和步骤S2012分别计算出了免费章节留存参数和收费章节留存参数，在计算该书籍质量得分时，可以将两者求和结果作为该书籍的质量得分，例如，一本书的免费章节留存参数为A×60％，收费章节留存参数为B×40％，则该书的质量得分为A×60％+B×40％。

我们希望免费章节的留存率对书籍质量的贡献权重更大。但在很多时候，书籍免费试读的章节数量并不多，例如，一本连载书籍可能一共有3000章，但是只有20章供用户免费试读。此时会导致免费章节系数较小，从而使得免费章节的留存率对书籍质量的贡献较低。针对这种情况，可预先为免费章节系数设定一个系数阈值，若免费章节系数小于预设的系数阈值，则将该免费章节系数设为系数阈值，相应的调整收费章节系数。例如，假设免费章节系数阈值为30％，一本3000章的连载书籍有20章是免费试读的，其免费章节系数为0.6％，小于免费章节系数阈值，此时将该连载书籍的免费章节系数调整为30％，相应的，将该书籍的收费章节系数调整为70％。

步骤S202，将质量得分在预设阈值以上的书籍加入到候选书籍集中。

步骤S203，依据用户的历史操作行为确定用户的阅读兴趣。

步骤S204，根据阅读兴趣与书籍的匹配度，筛选形成用户的兴趣书籍集。

步骤S205，将同时属于候选书籍集和兴趣书籍集的书籍，确定为用户的推荐书籍。

根据本实施例提供的电子书推荐方法，在选择候选书籍集之前增加了依据各章节留存率计算书籍质量的步骤，通过依据用户的阅读行为对各章节留存数据进行筛选，结合书籍的免费章节和收费章节系数来计算书籍的质量得分，根据该质量得分筛选出的候选书籍优质性更高，从而使得推荐的书籍符合用户阅读兴趣的同时保证了推荐书籍的质量，更符合用户实际需求，提高了用户的阅读体验。

实施例三

图3A示出了本发明实施例三提供的电子书推荐方法的流程图，本实施例在上述各实施例的基础上进行了进一步的优化。优质的书籍不仅体现在书籍的得分上，还体现在书籍的网络热度上，因此为了使得本发明的候选书籍集中的书籍质量更高且覆盖范围更广，可以在候选书籍集中补入热度(即用户阅读该书籍的点击量)靠前的书籍，具体的，如图3A所示，该方法包括以下步骤：

步骤S301，将质量得分在预设阈值以上的书籍加入到候选书籍集中。

步骤S302，选取网络热度排名前M个书籍二级类目。

如图3B所示，书籍的分类至少可以包括一级类目31和二级类目32，一级类目31可以依据书籍的形式(如杂志、漫画)、阅读者的属性信息(如阅读者的性别)等对书籍进行一次划分后得到。并且，还对各一级类目31进行二次划分得到各一级类目31包含的二级类目32。图3B中的二级类目32是一级类目31中的杂志进行二次划分后得到的。需要说明的是，本领域的技术人员应该理解的是：不能仅以一级类目和二级类目作为对本发明的书籍分类方法进行限定，例如，还可以在二级类目的基础上，对各二级类目中的书籍按照更细的维度进行再次划分。

网络热度排名是电子设备后台通过对所有用户的行为操作进行分析后，得到的一本书或一类书在一定时间内用户的点击量或阅读量。本步骤中，先从网络热度中选择排名靠前的M个书籍二级类目，其中M是根据实际需求预先设定的，其为正整数。

步骤S303，从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到候选书籍集中；

其中，选出网络热度靠前的M个书籍二级类目后，要继续从这M个二级类目中选取每个类目中网络热度排名前N的书籍作为需要补入添加到候选书籍集中的书籍。其中N是根据实际需求预先设定的，其为正整数。

需要说明的是，虽然本实施例中是以先确定网络热度靠前的M个二级类目，再从这M个二级类目中选择网络热度靠前的N本书籍的方式选择需要添加到候选书籍集中的书籍，但是本领域的技术人员应该理解的是：并不能以此种方式作为对本发明的限定，例如，本方案还可以是将步骤S302和步骤S303进行合并，直接选出所有类目中网络热度排名前N的书籍添加到候选书籍集中。

步骤S304，依据用户的历史操作行为确定用户的阅读兴趣。

步骤S305，根据阅读兴趣与书籍的匹配度，筛选形成用户的兴趣书籍集。

步骤S306，将同时属于候选书籍集和兴趣书籍集的书籍，确定为用户的推荐书籍。

根据本实施例提供的电子书推荐方法，在优质书籍的候选书籍集中添加了网络热度排名靠前的书籍，使得候选书籍集中书籍的种类更加丰富，从而增加了候选书籍集与兴趣书籍集中共同的书籍数量，使得为用户确定的推荐书籍准确性更高。更符合用户实际需求，提高了用户的阅读体验。

实施例四

图4示出了本发明实施例四提供的电子书推荐方法的流程图，本实施例在上述各实施例的基础上提供了一种优选实例，应用于为用户推荐营销推广类书籍的场景，用待推广书籍替代上述各实施例中的推荐书籍推荐给用户。如图4所示，该方法包括以下步骤：

步骤S401，确定待推广书籍。

其中，待推广书籍是指运营人员想要向用户营销推广的书籍，例如，一本刚出版的书籍，为了更快的进入市场，得到用户的认可，就需要运营人员对该书籍进行推广，让更多的用户了解这本书籍。

步骤S402，筛选预定时段内执行过付费操作的用户，确定为预选用户。

其中，待推广的书籍确定后，接下来要选择推广书籍对应的用户，由于推广书籍通常都是新出版的书籍，需要收费才能阅读，因此，选择推广书籍对应的用户时，可以从有过付费操作的用户中进行选择，具体的，可以是筛选预定时间段(如三个月)内有过付费操作的用户，作为预选用户。本实施例中所述的付费行为是指用户针对其他书籍执行过的付费行为，该行为代表用户具有一定的意愿和能力阅读付费书籍。

可选的，为了保证选出的预选用户的付费操作的时效性，可以是选择筛选预设时间段内付费操作次数超过次数阈值的用户作为预选用户，例如，在一年内执行付费操作次数超过3次的用户作为预选用户。

步骤S403，计算预选用户兴趣与待推广书籍的匹配度。

选出待推广书籍和预选用户后，若为所有预选用户推荐所有的待推广书籍，会导致与用户的兴趣不符，从而造成推广书籍转化率低，还容易造成用户对推广书籍的排斥。因此，在本步骤中，要计算预选用户阅读兴趣与待推广书籍的匹配度，进而按照用户的兴趣推荐推广书籍。其中，计算预选用户兴趣与待推广书籍的匹配度的方式有很多，本实施例对此不做具体限定。一种可选的方式为：采用预先通过海量样本数据训练的神经网络推荐模型来计算匹配度，具体过程可以是，输入预选用户的阅读兴趣，以及待推广书籍的名称、内容分词和/或兴趣标签，推荐模型即可通过相关计算得到阅读兴趣与该书籍的匹配度。

步骤S404，将匹配度高于预设匹配阈值的用户确定为目标用户。

具体的，为了保证向用户推广的书籍是用户感兴趣的书籍，提高推广书籍的转化率，可以在得到预选用户兴趣与待推广书籍的匹配度之后，对匹配度进行阈值的判断，将匹配度高于阈值的用户确定为该本推广书籍的目标用户。

步骤S405，对于目标用户，将待推广书籍替代推荐书籍进行推荐。

其中，推荐书籍是指同时属于候选书籍集和目标用户的兴趣书籍集的书籍。

具体的，确定了目标用户后，将与目标用户匹配度高的推广书籍代替上述各实施例选出的目标用户的推荐书籍推荐给目标用户。可选的，还可以将上述各实施例选出的推荐书籍与推广书籍一起推荐给目标用户。

根据本实施例提供的电子书推荐方法，在向用户推广营销书籍时，可以在确定待推广书籍后，依据用户在预定时间内的付费操作情况来确定预选用户，再计算预选用户与待推广书籍的匹配度，将匹配度高的用户作为目标用户，向其推荐推广书籍，该方案根据用户的阅读兴趣向用户推广书籍，更符合用户实际需求，提高了营销书籍的转化率。

本发明实施例中，执行上述方法流程的执行主体为电子设备，实际应用中，该电子设备可以是电子书客户端设备，该客户端设备可以在联网条件下向服务器请求获取执行上述方法流程所需的规则、策略、算法或计算模型(例如书籍评分、兴趣匹配度等)，并在客户端设备本地基于此对采集的用户数据进行处理，完成上述方法流程。或者，上述规则、策略、算法或计算模型也可以离线保存在客户端设备本地，在断网条件下，客户端设备离线执行上述方法流程。而在另一种实现方式中，所述电子设备可以是位于网络侧的服务器，该服务器接收客户端设备上报的用户数据，并基于服务器本地存储的上述规则、策略、算法或计算模型对用户数据进行处理，将处理结果下发至客户端设备进行展示，由此实现上述方法流程。

实施例五

本发明实施例五还提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的电子书推荐方法。

可执行指令具体可以用于使得处理器执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

依据书籍中各章节的留存率计算书籍的质量得分。

在一种可选的方式中，所述可执行指令具体使所述处理器执行以下操作：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

在一种可选的方式中，若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

在一种可选的方式中，所述可执行指令还使所述处理器执行以下操作：

在所述用户的书架上展示推荐书籍的图标，且在所述图标上设置推荐标识。

实施例六

图5示出了根据本发明实施例六提供的一种电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。

如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。

其中：

处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。

通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。

处理器502，用于执行程序510，具体可以执行上述电子书推荐方法实施例中的相关步骤。

具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。

处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。

存储器506，用于存放程序510。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

程序510具体可以用于使得处理器502执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

依据书籍中各章节的留存率计算书籍的质量得分。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

在一种可选的方式中，若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

在一种可选的方式中，程序510具体可以进一步用于使得处理器502执行以下操作：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

在一种可选的方式中，程序510具体还可以用于使得处理器502执行以下操作：

在所述用户的书架上展示推荐书籍的图标，且在所述图标上设置推荐标识。

进一步的，本发明还公开了以下内容：

a1.一种电子书推荐方法，包括：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

a2.根据a1所述的方法，其中，在将质量得分在预设阈值以上的书籍加入到候选书籍集中之前，还包括：

依据书籍中各章节的留存率计算书籍的质量得分。

a3.根据a2所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分，包括：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

a4.根据a3所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分之前，还包括：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

a5.根据a2所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分之前，还包括：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

a6.根据a5所述的方法，其中，若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

a7.根据a1所述的方法，其中，在将质量得分在预设阈值以上的书籍加入到候选书籍集中之后，还包括：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

a8.根据a1所述的方法，其中，还包括：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

a9.根据a1所述的方法，其中，还包括：

在所述用户的书架上展示推荐书籍的图标，且在所述图标上设置推荐标识。

a10.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

a11.根据a10所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

依据书籍中各章节的留存率计算书籍的质量得分。

a12.根据a11所述的电子设备，所述可执行指令具体使所述处理器执行以下操作：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

a13.根据a12所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

a14.根据a11所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

a15.根据a14所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

a16.根据a10所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

a17.根据a10所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

a18.根据a10所述的电子设备，所述可执行指令还使所述处理器执行以下操作：

在所述用户的书架上展示推荐书籍的图标，且在所述图标上设置推荐标识。

a19.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

a20.根据a19所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

依据书籍中各章节的留存率计算书籍的质量得分。

a21.根据a20所述的计算机存储介质，所述可执行指令具体使所述处理器执行以下操作：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

a22.根据a21所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

a23.根据a20所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

a24.根据a23所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

a25.根据a19所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

a26.根据a19所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

a27.根据a19所述的计算机存储介质，所述可执行指令还使所述处理器执行以下操作：

在所述用户的书架上展示推荐书籍的图标，且在所述图标上设置推荐标识。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种电子书推荐方法，包括：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

2.根据权利要求1所述的方法，其中，在将质量得分在预设阈值以上的书籍加入到候选书籍集中之前，还包括：

依据书籍中各章节的留存率计算书籍的质量得分。

3.根据权利要求2所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分，包括：

将免费章节中各章节的留存率加总，并与免费章节系数相乘获得免费章节留存参数；

将收费章节中各章节的留存率加总，并与收费章节系数相乘获得收费章节留存参数；

将所述免费章节留存参数和所述收费章节留存参数相加，获得所述质量得分；

其中，所述免费章节系数为免费章节数占全书章节数的比值，所述收费章节系数为收费章节数占全书章节数的比值。

4.根据权利要求3所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分之前，还包括：

依据预设的章节调节系数调整所述免费章节系数和/或所述收费章节系数。

5.根据权利要求2所述的方法，其中，依据书籍中各章节的留存率计算书籍的质量得分之前，还包括：

若用户阅读所述书籍的章节数量小于章节数量阈值，或者用户阅读所述书籍的章节数量占该书籍总章节数量的比例小于比例阈值，则将所述用户的计数从所述书籍各章节的留存数据中删除。

6.根据权利要求5所述的方法，其中，若用户对任一章节的阅读时间长度小于时间长度阈值，则确定所述用户未阅读该章节；否则，确定该用户阅读该章节。

7.根据权利要求1所述的方法，其中，在将质量得分在预设阈值以上的书籍加入到候选书籍集中之后，还包括：

选取网络热度排名前M个书籍二级类目；

从选取的每个书籍二级类目中选取网络热度排名前N本书籍，补充添加到所述候选书籍集中；

其中，M、N均为正整数。

8.根据权利要求1所述的方法，其中，还包括：

确定待推广书籍；

筛选预定时段内执行过付费操作的用户，确定为预选用户；

计算预选用户兴趣与所述待推广书籍的匹配度；

将匹配度高于预设匹配阈值的用户确定为目标用户；

对于所述目标用户，将所述待推广书籍替代所述推荐书籍进行推荐。

9.一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；

所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。

10.一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行以下操作：

将质量得分在预设阈值以上的书籍加入到候选书籍集中；

依据用户的历史操作行为确定所述用户的阅读兴趣；

根据所述阅读兴趣与书籍的匹配度，筛选形成所述用户的兴趣书籍集；

将同时属于所述候选书籍集和所述兴趣书籍集的书籍，确定为所述用户的推荐书籍。